論文の概要: Unsupervised Image Deraining: Optimization Model Driven Deep CNN
- arxiv url: http://arxiv.org/abs/2203.13699v1
- Date: Fri, 25 Mar 2022 15:13:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 16:13:13.358948
- Title: Unsupervised Image Deraining: Optimization Model Driven Deep CNN
- Title（参考訳）: unsupervised image deraining: 最適化モデル駆動のディープcnn
- Authors: Changfeng Yu, Yi Chang, Yi Li, Xile Zhao, Luxin Yan
- Abstract要約: 実雨除去のための一般化と表現のメリットを継承する統一的な教師なし学習フレームワークを提案する。
提案するネットワーク上で,最適化モデルの教師なし損失関数を適用可能な最適化モデル駆動深度CNNを設計する。
ネットワークのアーキテクチャは、より優れた特徴表現を備えた最適化モデルの主要な役割を模倣する。
- 参考スコア（独自算出の注目度）: 24.06511813683977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The deep convolutional neural network has achieved significant progress for
single image rain streak removal. However, most of the data-driven learning
methods are full-supervised or semi-supervised, unexpectedly suffering from
significant performance drops when dealing with real rain. These data-driven
learning methods are representative yet generalize poor for real rain. The
opposite holds true for the model-driven unsupervised optimization methods. To
overcome these problems, we propose a unified unsupervised learning framework
which inherits the generalization and representation merits for real rain
removal. Specifically, we first discover a simple yet important domain
knowledge that directional rain streak is anisotropic while the natural clean
image is isotropic, and formulate the structural discrepancy into the energy
function of the optimization model. Consequently, we design an optimization
model-driven deep CNN in which the unsupervised loss function of the
optimization model is enforced on the proposed network for better
generalization. In addition, the architecture of the network mimics the main
role of the optimization models with better feature representation. On one
hand, we take advantage of the deep network to improve the representation. On
the other hand, we utilize the unsupervised loss of the optimization model for
better generalization. Overall, the unsupervised learning framework achieves
good generalization and representation: unsupervised training (loss) with only
a few real rainy images (input) and physical meaning network (architecture).
Extensive experiments on synthetic and real-world rain datasets show the
superiority of the proposed method.
- Abstract（参考訳）: 深部畳み込みニューラルネットワークは、単一画像雨天除去において大きな進歩を遂げた。
しかし、データ駆動学習の手法のほとんどは、完全な教師付きまたは半教師付きであり、予期せぬほど、実際の雨を扱う際の大幅なパフォーマンス低下に苦しんでいる。
これらのデータ駆動学習手法は代表的であるが、実際の雨では貧弱である。
逆は、モデル駆動の教師なし最適化手法に当てはまる。
これらの問題を解決するために,実雨除去のための一般化と表現のメリットを継承する統一的教師なし学習フレームワークを提案する。
具体的には, 自然クリーン画像が等方性である一方で, 方向性雨のストリークが異方的であるという, 単純かつ重要な領域知識を発見し, 最適化モデルのエネルギー関数に構造的相違を定式化する。
そこで本研究では,提案するネットワーク上で最適化モデルの教師なし損失関数を強制する最適化モデル駆動型ディープcnnを設計する。
さらに、ネットワークのアーキテクチャは、より優れた特徴表現を持つ最適化モデルの主要な役割を模倣している。
一方で、ディープネットワークを利用して表現を改善します。
一方、最適化モデルの教師なし損失を利用して、より良い一般化を行う。
全体として、教師なし学習フレームワークは、優れた一般化と表現を実現している: 少数の実際の雨画像(入力)と物理的意味ネットワーク(アーキテクチャ)を持つ教師なしトレーニング(loss)。
人工雨と実世界の降雨データセットに関する広範な実験は,提案手法の優越性を示している。
関連論文リスト
- RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳（メタデータ） (2024-04-17T14:07:22Z) - Contrastive Learning Based Recursive Dynamic Multi-Scale Network for
Image Deraining [47.764883957379745]
雨のストリークは撮影画像の可視性を著しく低下させる。
既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。
本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
論文 参考訳（メタデータ） (2023-05-29T13:51:41Z) - Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。
安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。
また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2023-01-23T13:34:01Z) - Removing Rain Streaks via Task Transfer Learning [39.511454098771026]
まず,教師付きデラインモデルが実際の降雨事例に対してうまく一般化できない理由を統計的に検討する。
連結タスクでは、実データ用のラベルを容易に得ることができる。
我々の中核となる考え方は、タスク転送を通じて実データから表現を学習し、デライン化の一般化を改善することである。
論文 参考訳（メタデータ） (2022-08-28T03:32:17Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z) - A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。
雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。
すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
論文 参考訳（メタデータ） (2020-05-04T09:13:25Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。